【YOLOv1】《You Only Look Once: Unified, Real-Time Object Detection》

YOLO v1

《You Only Look Once: Unified, Real-Time Object Detection》
论文地址


1 核心思想:

  “We frame object detection as a regression problem to spatially separated bounding boxes and associated class probabilities.”

  从R-CNN到Fast R-CNN一直采用的思路是先生成region proposal,然后再对proposal进行分类和回归,精度已经很高,但是速度还不行。 YOLO提供了另一种更为直接的思路: 直接在输出层回归bounding box的位置和bounding box所属的类别(整张图作为网络的输入,把 Object Detection 的问题转化成一个 Regression 问题)。

2 特点:

这里写图片描述

2.1 优点

  1. YOLO is extremely fast – no complex pipeline
  2. Twice the mean average precision of other real-time systems
  3. YOLO reasons globally about the image – less background errors
  4. YOLO learns generalizable representations of objects – new domain and unexpected input (art works).

2.2 缺点

  1. 识别物体位置精准性差。
  2. 召回率低。
  3. YOLO对相互靠的很近的物体(挨在一起且中点都落在同一个格子上的情况),还有很小的群体(落在一个格子里)检测效果不好,这是因为一个网格中只预测了两个框(两个目标),并且只属于一类
  4. 测试图像中,当同一类物体出现的不常见的长宽比和其他情况时泛化能力偏弱。
  5. 对于小物体,Yolo的表现会不如人意。这方面的改进可以看SSD,其采用多尺度单元格。也可以看Faster R-CNN,其采用了anchor boxes。

3 网络结构和流程

3.1 网络流程

这里写图片描述

3.2 网络的结构

这里写图片描述

这里写图片描述

input: 448×448
output: S × S × (B * 5 + C)

这里写图片描述

  把图片分为S × S个grid,每个grid里面有B个(YOLOv1中B为2)bounding box和C个类别,每个bounding box 由5个参数构成,分别是p,x,y,w,h

  p: These confidence scores reflect how confident the model is that the box contains an object and also how accurate it thinks the box is that it predicts.

P=Pr(Object)IOUpredtruth

  Pr(Object): bounding box中有目标的时候为1,没有为0
  IOUpredtruth: predict 的 bounding box 与 ground truth的IOU

  x,y :bounding box的中心坐标,在某个grid中,所以是相对每个grid的,grid的左上角为(0,0),右下角为(1,1)
  w,h:bounding box的长宽,是相对整张图的
  所以x,y,h,w都是0~1之间的

  eg :下图把图片分为 7×7 个grid,每个grid两个bounding box 是 2*5,二十个类别是20
output: 7×7×(2*5+20) = 7×7×30

这里写图片描述
这里写图片描述

4 训练

  预训练分类网络: 在 ImageNet 1000-class competition dataset上预训练一个分类网络,这个网络是图The architecture of network中的前20个卷机网络+average-pooling layer+ fully connected layer (此时网络输入是224*224)。

  训练检测网络:转换模型去执行检测任务,《Object detection networks on convolutional feature maps》提到说在预训练网络中增加卷积和全链接层可以改善性能。在他们例子基础上添加4个卷积层和2个全链接层,随机初始化权重。检测要求细粒度的视觉信息,所以把网络输入也又224*224变成448*448。见图The architecture of network

  损失函数

这里写图片描述

  • 首先区分定位误差分类误差
  • 然后其区分不包含目标的边界框含有目标的边界框的置信度

  损失函数的设计目标就是让坐标(x,y,w,h)confidenceclassification 这个三个方面达到很好的平衡。简单的全部采用了sum-squared error loss来做这件事会有以下不足:

  • 8维的localization error和20维的classification error同等重要显然是不合理的;
  • 如果一个网格中没有object(一幅图中这种网格很多),那么就会将这些网格中的box的confidence push到0,相比于较少的有object的网格,这种做法是overpowering的,这会导致网络不稳定甚至发散。

  解决方案如下

  • 更重视8维的坐标预测,给这些损失前面赋予更大的loss weight, 记为 λcoord ,在pascal VOC训练中取5。(上图蓝色框)
  • 对没有object的bbox的confidence loss,赋予小的loss weight,记为λnoobj,在pascal VOC训练中取0.5。(上图橙色框)
  • 有object的bbox的confidence loss (上图红色框) 和类别的loss (上图紫色框)的loss weight正常取1。

  • 对不同大小的bbox预测中,相比于大bbox预测偏一点,小box预测偏一点更不能忍受。而sum-square error loss中对同样的偏移loss是一样。 为了缓和这个问题,作者用了一个比较取巧的办法,就是将box的width和height取平方根代替原本的height和width。 如下图:small bbox的横轴值较小,发生偏移时,反应到y轴上的loss(下图绿色)比big box(下图红色)要大。

    这里写图片描述

5 测试

  Test的时候,每个网格预测的class信息 Pr(Classi|Object) 和bounding box预测的confidence信息Pr(Object)IOUpredtruth相乘,就得到每个bounding box的class-specific confidence score。

这里写图片描述

  等式左边第一项就是每个网格预测的类别信息,第二三项就是每个bounding box预测的confidence。这个乘积即encode了预测的box属于某一类的概率,也有该box准确度的信息。

这里写图片描述

这里写图片描述

  对每一个网格的每一个bbox执行同样操作: 7x7x2 = 98 bbox (每个bbox既有对应的class信息又有坐标信息)

这里写图片描述

这里写图片描述

这里写图片描述

  得到每个bbox的class-specific confidence score以后,设置阈值,滤掉得分低的boxes,对保留的boxes进行NMS处理,就得到最终的检测结果。

这里写图片描述

6 性能分析

6.1 误差分析

  这里看一下Yolo算法在PASCAL VOC 2007数据集上的性能,这里Yolo与其它检测算法做了对比,包括DPM,R-CNN,Fast R-CNN以及Faster R-CNN。其对比结果如表所示。与实时性检测方法DPM对比,可以看到Yolo算法可以在较高的mAP上达到较快的检测速度,其中Fast Yolo算法比快速DPM还快,而且mAP是远高于DPM。但是相比Faster R-CNN,Yolo的mAP稍低,但是速度更快。所以。Yolo算法算是在速度与准确度上做了折中。
这里写图片描述
  为了进一步分析Yolo算法,文章还做了误差分析,将预测结果按照分类与定位准确性分成以下5类:

  • Correct:类别正确,IOU>0.5;(准确度)
  • Localization:类别正确,0.1 < IOU<0.5(定位不准);
  • Similar:类别相似,IOU>0.1;
  • Other:类别错误,IOU>0.1;

这里写图片描述

  可以看到,Yolo的Correct的是低于Fast R-CNN。另外Yolo的Localization误差偏高,即定位不是很准确。但是Yolo的Background误差很低,说明其对背景的误判率较低。

6.2 Combining Fast RCNN and YOLO

  ”YOLO makes far fewer background mistakes than Fast R-CNN. By using YOLO to eliminate background detections from Fast R-CNN we get a significant boost in performance.”

这里写图片描述

6.3 Generalization Results

这里写图片描述

这里写图片描述


参考
【1】图解YOLO by 晓雷
【2】YOLO算法的原理与实现 by 叶虎
【3】YOLO详解 by 赵丽丽
【4】YOLO实时目标检测系统 by 黄月红
【5】《You Only Look Once: Unified, Real-Time Object Detection》

阅读更多
想对作者说点什么?

博主推荐

换一批

没有更多推荐了,返回首页